YOLO11 مقابل YOLOv7#

يواصل مجال الرؤية الحاسوبية تطوره بوتيرة سريعة، فيما يظل اكتشاف الكائنات في الوقت الفعلي في طليعة تطبيقات الذكاء الاصطناعي. ويتطلب اختيار البنية المناسبة لمشروعك الموازنة بين السرعة والدقة وسهولة النشر. نقدم في هذا الدليل مقارنة تقنية شاملة بين بنيتين بارزتين: Ultralytics YOLO11 وYOLOv7.

خلفية النموذج والتفاصيل التقنية#

أثر كلا النموذجين تأثيراً كبيراً في مجتمع التعلم العميق، لكنهما ينتميان إلى فلسفتين وعصرين مختلفين من التطوير.

تفاصيل YOLO11:

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: https://docs.ultralytics.com/models/yolo11

تفاصيل YOLOv7:

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• الوثائق: https://docs.ultralytics.com/models/yolov7

تعرّف على المزيد عن YOLOv7

الاختلافات المعمارية#

عند تحليل الآليات الداخلية، نجد أن كلا الكاشفين يستخدم مفاهيم متطورة، لكن أسسهما الهيكلية تختلف.

قدّم YOLOv7 مفهوم شبكات تجميع الطبقات الفعّالة الموسعة (E-ELAN). وصُممت هذه البنية لتعزيز قدرة الشبكة على التعلم باستمرار من دون الإضرار بمسار التدرج الأصلي، وهو إنجاز مهم أُعلن عنه في ورقة البحث. ويعتمد YOLOv7 بدرجة كبيرة على إعادة المعلمات الهيكلية ومنهجية «حزمة المزايا المجانية» القوية أثناء التدريب، ما يحسن الدقة الإجمالية على مجموعة بيانات COCO دون زيادة تكاليف الاستدلال.

في المقابل، يستند YOLO11 إلى بنية Ultralytics المحسّنة بدرجة كبيرة. ويركز على مسار أكثر تطوراً لـاستخراج السمات مع عدد أقل من المعلمات، ما يؤدي إلى خفض استهلاك الذاكرة أثناء التدريب. ويحقق YOLO11 توازناً ممتازاً في الأداء، إذ يستخدم موارد حوسبة أقل (FLOPs) مع مضاهاة دقة الكشف في النماذج الأكبر أو التفوق عليها. كما يدعم YOLO11 بطبيعته طيفاً أوسع من المهام، ما يجعله خياراً متعدد الاستخدامات لتطبيقات الرؤية الحاسوبية الحديثة.

مقارنة الأداء والمقاييس#

لقياس جدوى الاستخدام في العالم الحقيقي بدقة، من الضروري تقييم مقاييس مثل متوسط الدقة (mAP) وسرعة الاستدلال ومعلمات النموذج والتعقيد الحسابي (FLOPs). يوضح الجدول التالي مقارنة متغيرات التحجيم في YOLO11 بنماذج YOLOv7 الأكبر.

كما يتضح، يحقق نموذج مثل YOLO11x قيمة 54.7 mAP أعلى من 53.1 mAP التي يحققها YOLOv7x، مع استخدام عدد أقل بكثير من المعلمات (56.9M مقابل 71.3M). وهذا يبرز الكفاءة المعمارية الفائقة لـYOLO11.

كفاءة التدريب وسهولة استخدام النظام البيئي#

تُعد تجربة المطور والنظام البيئي المحيط من أبرز الخصائص التي تميز هاتين البنيتين.

YOLOv7 مستودع أبحاث أكاديمية في جوهره. وغالباً ما يتطلب تدريب النماذج إعداد بيئات معقداً وإدارة التبعيات يدوياً واستخدام أوامر طويلة في سطر الأوامر. ورغم دعمه للتجارب المتطورة، قد يستغرق تكييف الشيفرة في مستودع YOLOv7 على GitHub لبيئات الإنتاج المخصصة وقتاً طويلاً.

يعيد YOLO11 تعريف سهولة الاستخدام بالكامل. فهو متكامل تماماً مع منصة Ultralytics، وهي منظومة شاملة تُصان جيداً وتوفر مسارات عمل سلسة من البداية إلى النهاية. ومن وسم البيانات والتدريب المحلي إلى النشر، تبسّط واجهة Python الموحدة وواجهة سطر الأوامر البسيطة العملية بأكملها.

مقارنة الشيفرة#

لا يتطلب تدريب نموذج لاكتشاف الكائنات باستخدام YOLO11 سوى بضعة أسطر من الشيفرة، ما يخفض عتبة البدء بدرجة كبيرة:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقاً⁩
model = YOLO("yolo11s.pt")

# ⁨تدريب النموذج بسهولة باستخدام API موحّد⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨التصدير سريعاً إلى تنسيق ONNX⁩
model.export(format="onnx")

في المقابل، يبدو أمر التدريب المعتاد لـYOLOv7 كما يلي، ويتطلب إعداداً دقيقاً للمسارات وملفات التهيئة ونصوص bash:

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'

يوفر YOLO11 أيضاً تنوعاً كبيراً. فبينما يتطلب YOLOv7 قواعد شيفرة مختلفة تماماً أو تعديلات كبيرة لدعم مهام تتجاوز الكشف (مثل تقدير الوضعية أو التقسيم)، يتعامل YOLO11 مع اكتشاف الكائنات وتقسيم المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة (OBB) من خلال إطار عمل موحد ومتكامل.

التطبيقات الواقعية وحالات الاستخدام المثالية#

يعتمد الاختيار بين YOLOv7 وYOLO11 كلياً على نطاق المشروع وقيود النشر.

متى تنظر في YOLOv7:

• قياس أداء النماذج القديمة: قد يستخدم الباحثون الأكاديميون الذين يستكشفون تصاميم مسارات التدرج YOLOv7 خط أساس لتقييم الشبكات العصبية الالتفافية الأحدث.
• مسارات العمل المخصصة القائمة: الفرق التي لديها مسارات عمل مخصصة بدرجة كبيرة بلغة C++ أو CUDA ومبنية خصيصاً حول منطق فك مربعات الإحاطة المميز في YOLOv7.

متى تختار YOLO11:

• الإنتاج التجاري: تستفيد التطبيقات في تجارة التجزئة الذكية أو التشخيص الطبي كثيراً من قاعدة الشيفرة المصانة جيداً والاستقرار العالي في YOLO11.
• البيئات محدودة الموارد: تجعل البصمة الخفيفة لـYOLO11n منه خياراً مناسباً للغاية للنشر على الأجهزة المحمولة والطرفية عبر ONNX.
• المشاريع متعددة المهام: إذا احتاج تطبيق واحد إلى تحديد شخص ورسم هيكله العظمي (الوضعية) وتقسيم كائن يحمله، فإن YOLO11 يوفر حلاً موحداً.

أحدث التقنيات: المضي قدماً مع YOLO26#

رغم أن YOLO11 خيار قوي للغاية، فإن الابتكار في الذكاء الاصطناعي لا يتوقف أبداً. ويوصى بشدة للمهندسين الذين يبدؤون مشاريع جديدة اليوم باستكشاف Ultralytics YOLO26.

صدر YOLO26 في يناير 2026، ويقدم تصميماً شاملاً بلا NMS (nms=False) يزيل اختناقات زمن الاستجابة المرتبطة بالمعالجة اللاحقة لـقمع غير الأقصى. كما يدمج YOLO26 مُحسِّن MuSGD الثوري، المستوحى من منهجيات تدريب LLM، لضمان تقارب أسرع. وبفضل تحسينات موجّهة لدوال الخسارة عبر ProgLoss + STAL، واستدلال CPU أسرع بنسبة تصل إلى 43% نتيجة إزالة DFL، جرى تحسين YOLO26 خصيصاً للحوسبة الطرفية، وهو يمثل ذروة ذكاء الرؤية حالياً.

للمهتمين بالبنى البديلة المتخصصة، قد يحقق استكشاف نماذج RT-DETR القائمة على Transformer أو YOLO-World الديناميكي ذي المفردات المفتوحة نتائج مفيدة أيضاً في عمليات نشر الرؤية الحاسوبية المتنوعة.